投影矩阵与最小二乘(三)
2017-04-11 10:48
155 查看
其实这篇文章作为投影矩阵与最小二乘的完结篇,已经不完全是投影矩阵与最小二乘的关系了,更多的是在投影矩阵的基础上发展出来的一些理论
先说一下标准正交矩阵的概念:
对于一个矩阵A,如果A的列向量是标准正交的,那么A'A = I(很容易证明)。
如果A的列向量既是标准正交的,又是一个方阵(A is a square orthonormal matrix),那么A就称作正交矩阵。由之前A'A = I我们就得到了A' = A-1
如果矩阵Q的列向量是标准正交的,那么投影到矩阵Q的投影矩阵:
P = Q(Q'Q)-1Q'。
如果Q的列向量标准正交,那么有Q'Q = I, P = QQ',如果Q又是个方阵,那么P = I。
这里我们要用到(二)的末尾我说的那句话来解释上面这些变形的直观的意义:
如果一个矩阵的列向量是标准正交向量组,那么A的列向量一定线性无关。
如果矩阵A是方阵,且列向量是标准正交的,那么A的列向量一定线性无关,那么列空间就是整个空间了。那么我如果把向量b投影到A的列空间里,由于b就在A的列空间里,那么投影还是b本身,根据b = Pb,所以投影矩阵P就是单位阵I了。
由标准正交的概念我们可以得到很多有用的东西,就拿我们的投影矩阵来说吧:
A'Ax = A'b,如果A的列向量是标准正交的,那么A'A = I => x = A'b。
既然标准正交有这么大的好处,所以我们的前辈们就不约而同地一起在标准正交上做文章。但是,并不是所有的矩阵都是标准正交的。咱们有句老话:牛不吃草不能强按头。但是,两位牛逼哄哄的人物--Gram和Schmidt,针对非标准正交的矩阵像治疗具有偏食挑食症的儿童一样,找到了解决的办法。过程描述如下:
给定两个独立的向量a,b,我们将其转换成两个正交的向量A, B,并且a和b生成的空间与A和B生成的空间是同一个空间,然后我们再把A和B单位化即可,也就是
给定独立向量组a, b => 正交向量A, B => 标准正交向量q1, a2。
step1: A = a;
step2: B = b - p = b - A'bA / (A'A)(这是很显然的,因为这里的B就相当于前两部分说的e,e是与a相交的)
step3: q1 = A / (|| A ||), q2 = B / (|| B ||)。
如果给定的不是两个独立的向量,而是三个或者更多呢,这里,仅以三个为例,更多的依此类推:
A和B的计算过程依然如上,C = c - A'c A/ (A'A) - B'cB / (B'B)。A与C,B与C真的正交了吗,YES! 不管是用公式计算,还是直观画图理解,都是可以证明的。
最后一个问题了:
QR分解,我们可以把A写成列向量的形式A = [a1 a2]。根据前面的Gram-Schmidt正交化,我们可以得到对应的Q = [q1 q2],并且有q1'q1 = 1, q1'q2 = 0.所以我们可以把A写成如下的形式:
显然这是成立的,因为q1'q1 = 1,q1'q2 = 0, a1'q2 = 0,同时根据前三个关系式,我们也很容易得到R是一个上三角矩阵(upper triangular matrix)。
好了,就说这么多吧,欢迎批评指针,您的建议是我进步的阶梯
参考:http://blog.csdn.net/a130098300/article/details/7664575
先说一下标准正交矩阵的概念:
对于一个矩阵A,如果A的列向量是标准正交的,那么A'A = I(很容易证明)。
如果A的列向量既是标准正交的,又是一个方阵(A is a square orthonormal matrix),那么A就称作正交矩阵。由之前A'A = I我们就得到了A' = A-1
如果矩阵Q的列向量是标准正交的,那么投影到矩阵Q的投影矩阵:
P = Q(Q'Q)-1Q'。
如果Q的列向量标准正交,那么有Q'Q = I, P = QQ',如果Q又是个方阵,那么P = I。
这里我们要用到(二)的末尾我说的那句话来解释上面这些变形的直观的意义:
如果一个矩阵的列向量是标准正交向量组,那么A的列向量一定线性无关。
如果矩阵A是方阵,且列向量是标准正交的,那么A的列向量一定线性无关,那么列空间就是整个空间了。那么我如果把向量b投影到A的列空间里,由于b就在A的列空间里,那么投影还是b本身,根据b = Pb,所以投影矩阵P就是单位阵I了。
由标准正交的概念我们可以得到很多有用的东西,就拿我们的投影矩阵来说吧:
A'Ax = A'b,如果A的列向量是标准正交的,那么A'A = I => x = A'b。
既然标准正交有这么大的好处,所以我们的前辈们就不约而同地一起在标准正交上做文章。但是,并不是所有的矩阵都是标准正交的。咱们有句老话:牛不吃草不能强按头。但是,两位牛逼哄哄的人物--Gram和Schmidt,针对非标准正交的矩阵像治疗具有偏食挑食症的儿童一样,找到了解决的办法。过程描述如下:
给定两个独立的向量a,b,我们将其转换成两个正交的向量A, B,并且a和b生成的空间与A和B生成的空间是同一个空间,然后我们再把A和B单位化即可,也就是
给定独立向量组a, b => 正交向量A, B => 标准正交向量q1, a2。
step1: A = a;
step2: B = b - p = b - A'bA / (A'A)(这是很显然的,因为这里的B就相当于前两部分说的e,e是与a相交的)
step3: q1 = A / (|| A ||), q2 = B / (|| B ||)。
如果给定的不是两个独立的向量,而是三个或者更多呢,这里,仅以三个为例,更多的依此类推:
A和B的计算过程依然如上,C = c - A'c A/ (A'A) - B'cB / (B'B)。A与C,B与C真的正交了吗,YES! 不管是用公式计算,还是直观画图理解,都是可以证明的。
最后一个问题了:
QR分解,我们可以把A写成列向量的形式A = [a1 a2]。根据前面的Gram-Schmidt正交化,我们可以得到对应的Q = [q1 q2],并且有q1'q1 = 1, q1'q2 = 0.所以我们可以把A写成如下的形式:
显然这是成立的,因为q1'q1 = 1,q1'q2 = 0, a1'q2 = 0,同时根据前三个关系式,我们也很容易得到R是一个上三角矩阵(upper triangular matrix)。
好了,就说这么多吧,欢迎批评指针,您的建议是我进步的阶梯
参考:http://blog.csdn.net/a130098300/article/details/7664575
相关文章推荐
- 投影矩阵与最小二乘的背后联系
- 投影矩阵与最小二乘(二)
- 投影矩阵与最小二乘(三)
- (数学概念)矩阵的逆、伪逆、左右逆,最小二乘,投影矩阵
- 最小二乘曲线拟合的MATLAB仿真
- 在SQL中利用最小二乘计算回归系数
- 基于OpenCV图像最小二乘相位解包裹算法
- 线性拟合之最小二乘方法和最小距离方法
- 最小二乘原理求解线性回归方程
- 最小二乘与梯度下降的关联与区别
- 偏最小二乘 PLS erro 误差部分 < 三>
- 利用python手动写最小二乘估计
- (数学)最小二乘的几何意义及投影矩阵
- 最小二乘、极大似然、梯度下降法
- 线性判别分析(LDA)准则:FIsher准则、感知机准则、最小二乘(最小均方误差)准则
- 最大似然估计和最小二乘估计的区别与联系
- 图像处理(十九)基于移动最小二乘的图像变形-Siggraph 2006
- 投影矩阵与最小二乘
- 最小二乘、ridge、lasso的概率论原理
- 最小二乘的理论依据